Finans Risk Yönetiminde Yapay Zeka Eğitimi (İleri)

Eğitim Hakkında

Bu eğitim, banka, sigorta ve yatırım kuruluşlarında risk modelleri geliştiren, doğrulayan veya yöneten uzmanların makine öğrenmesini kredi, piyasa, likidite ve operasyonel riske uçtan uca uygulaması için tasarlanmış ileri düzey bir programdır. Katılımcılar Python laboratuvarlarında PD/LGD modelleri, VaR ve stres testi kurar; model riski yönetimi ve düzenleyici beklentileri proje üzerinde uygular.

Neden Bu Eğitim?

Tüm Risk Türleri. Kredi, piyasa, likidite ve operasyonel riski tek bir programda makine öğrenmesi perspektifiyle ele alın.

Klasik ve ML Birlikte. Lojistik skor kartı, GARCH ve tarihsel VaR gibi yerleşik yöntemleri ML modelleriyle kıyaslayarak doğru aracı seçin.

Denetime Hazır Modeller. Açıklanabilir, doğrulanmış ve belgelenmiş modellerle BDDK, IFRS 9 ve AB Yapay Zeka Yasası beklentilerine hazırlanın.

“Risk yönetiminde yapay zekanın gücü, tahminin isabetinden çok o tahmine ne kadar güvenebildiğinizi kanıtlayabilmenizde yatar.”

Ön Koşullar

Python ve pandas — pandas, NumPy ve scikit-learn ile veri hazırlama ve temel model kurma deneyimine sahip olmak.
İstatistik Temeli — Olasılık dağılımları, regresyon, hipotez testi ve zaman serisi kavramlarına hakim olmak.
Risk Ölçüm Bilgisi — PD, LGD, EAD, VaR ve Basel çerçevesi gibi temel risk kavramlarını iş hayatında kullanmış olmak.
Çalışma Ortamı — Python 3 ve Jupyter kurulu, paket yükleme yetkisi olan bir bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiFinansal risk türlerinde yapay zekanın konumunu anlamak, risk verisinin kalitesini değerlendirmek ve ML modellerini doğru doğrulama tasarımıyla kurmaya hazırlanmak.

Modül 1

Finansal Risk Yönetiminde Yapay Zeka

Kredi, piyasa, likidite ve operasyonel riskte ML kullanımı
Basel III çerçevesi ve içsel derecelendirme yaklaşımları
Kural tabanlı, istatistiksel ve ML modellerinin ayrımı
Risk iştahı, limit yönetimi ve karar süreçleriyle bağ
Yapay zekanın risk yönetiminde yarattığı yeni riskler
Vaka: Bir bankada ML tabanlı erken uyarı dönüşümü

Modül 2

Risk Verisi ve Veri Kalitesi

BCBS 239 ilkeleri: risk verisi toplama ve raporlama
Temerrüt tanımı, gözlem penceresi ve performans dönemi
Eksik veri, uç değer ve hatalı kayıtların ele alınması
Makroekonomik değişkenlerin risk verisiyle birleşimi
Veri soy ağacı (data lineage) ve denetim izi
Laboratuvar: Kredi portföyü verisinin kalite analizi

Modül 3

Risk Modellemesi İçin ML Temelleri

Lojistik regresyondan gradyan artırma modellerine geçiş
Aşırı öğrenme, düzenlileştirme ve model karmaşıklığı
Dengesiz temerrüt verisi ve sınıf ağırlıklandırma
Monoton kısıtlar ile iş mantığına uygun modeller
XGBoost ve LightGBM'in risk verisindeki davranışı
Laboratuvar: scikit-learn ile referans risk modeli

Modül 4

Doğrulama Tasarımı ve Performans Metrikleri

Zaman dışı (out-of-time) ve örneklem dışı doğrulama
Gini, KS istatistiği ve ROC-AUC ile ayırt edicilik
Kalibrasyon testleri: Binom, Hosmer-Lemeshow
Popülasyon kararlılık endeksi (PSI) ile istikrar
Laboratuvar: Model performans ve kalibrasyon raporu
Günün değerlendirmesi ve kredi riski gününe köprü

Günün hedefiPD, LGD ve EAD modellerini klasik ve ML yöntemleriyle geliştirmek, IFRS 9 beklenen kredi zararı hesabına bağlamak ve model kararlarını açıklanabilir kılmak.

Modül 1

Temerrüt Olasılığı (PD) Modelleri

WoE ve bilgi değeri (IV) ile klasik skor kartı
Gradyan artırma ile PD modeli ve performans kıyası
Başvuru ve davranış skorlama modellerinin farkı
Reddedilen başvurular sorunu (reject inference)
Derecelendirme dereceleri ve ana ölçeğe eşleme
Laboratuvar: LightGBM ve skor kartı PD karşılaştırması

Modül 2

LGD ve EAD Modellemesi

Tahsilat verisi ile gerçekleşen LGD hesaplama
Beta regresyon ve iki aşamalı LGD modelleri
Ağaç tabanlı modellerle LGD tahmini ve sınırları
Kredi dönüşüm oranı (CCF) ile EAD tahmini
Teminat değerlemesi ve kötüleşme dönemi etkileri
Laboratuvar: İki aşamalı LGD modelinin kurulması

Modül 3

IFRS 9 ve Beklenen Kredi Zararı

Aşama 1-2-3 sınıflandırması ve önemli artış kriterleri
12 aylık ve ömür boyu PD eğrilerinin oluşturulması
Makroekonomik senaryolarla ileriye dönük ayarlama
ML ile kredi riskinde önemli artış tespiti
Beklenen kredi zararı (ECL) hesaplama akışı
Uygulama: Senaryo ağırlıklı ECL hesaplaması

Modül 4

Açıklanabilirlik ve Adil Kredi Kararı

SHAP ile global ve müşteri bazlı açıklamalar
Red gerekçesi (reason code) üretimi ve iletişimi
Kısmi bağımlılık ve ICE grafikleriyle model analizi
Kredi kararlarında yanlılık ve ayrımcılık testleri
AB YZ Yasası'nda kredi skorlamanın yüksek risk statüsü
Laboratuvar: PD modeli için açıklanabilirlik raporu

Günün hedefiVolatilite ve kayıp dağılımlarını ML ile tahmin etmek, VaR ve beklenen kayıp modellerini geriye dönük test etmek ve likidite riskini veriye dayalı izlemek.

Modül 1

Volatilite ve Getiri Dağılımı Tahmini

Finansal getirilerin kalın kuyruk ve kümelenme özellikleri
GARCH ailesi modellerle koşullu volatilite tahmini
LSTM ve gradyan artırma ile volatilite tahmini
Gerçekleşen volatilite ve yüksek frekans verisi
Rejim değişimi tespiti: gizli Markov modelleri
Laboratuvar: GARCH ve ML volatilite modeli kıyası

Modül 2

VaR, Beklenen Kayıp ve Geriye Dönük Test

Tarihsel, parametrik ve Monte Carlo VaR yöntemleri
Beklenen kayıp (Expected Shortfall) ve FRTB yaklaşımı
Kantil regresyon ve ML ile koşullu VaR tahmini
Kupiec ve Christoffersen geriye dönük testleri
Portföy çeşitlendirmesi ve korelasyon kırılmaları
Laboratuvar: Hisse portföyü için VaR ve ES hesaplama

Modül 3

Likidite ve Faiz Oranı Riski

LCR ve NSFR oranlarının veriye dayalı izlenmesi
Mevduat davranışı ve vadesiz mevduat modellemesi
ML ile nakit akışı ve fon çıkışı tahmini
Faiz oranı riski: bankacılık hesaplarında etki analizi
Erken uyarı göstergeleri ve piyasa stres sinyalleri
Uygulama: Mevduat çıkışı tahmin modeli

Modül 4

Senaryo Üretimi ve Stres Testi

Makroekonomik stres senaryolarının tasarımı
Uydu modeller ile senaryoların risk parametrelerine aktarımı
Ters stres testi ve kırılma noktası analizi
Sentetik senaryo üretiminde üretken modellerin rolü
Vaka: Faiz şoku altında portföy zararı analizi
Günün değerlendirmesi ve operasyonel risk gününe köprü

Günün hedefiOperasyonel risk olaylarını ve metin verisini doğal dil işleme ile analiz etmek, erken uyarı sistemleri kurmak ve üretken yapay zekayı risk süreçlerinde güvenle kullanmak.

Modül 1

Operasyonel Risk Analitiği

Kayıp olay veritabanı ve Basel olay kategorileri
Kayıp dağılımı yaklaşımı ve uç değer teorisi (EVT)
Anomali tespiti ile iç süreç ve sistem hataları
Kontrol öz değerlendirmesi verisinin analitik kullanımı
Üçüncü taraf ve dış kaynak kullanımı riskleri
Laboratuvar: Isolation Forest ile olay anomalisi analizi

Modül 2

Kurumsal Kredi Erken Uyarı Sistemleri

Finansal tablo, hesap hareketi ve çek verisi sinyalleri
Sektör ve grup riski için karşı taraf ağ analizi
NetworkX ile risk bulaşıcılığı (contagion) analizi
Sinyallerin izleme listesi ve aksiyon kurallarına dönüşümü
Yanlış alarm ve analist kapasitesi dengesi
Laboratuvar: Ticari portföy için erken uyarı skoru

Modül 3

Doğal Dil İşleme ile Risk Sinyali

Haber ve KAP bildirimlerinden olumsuz sinyal çıkarımı
Türkçe dil modelleriyle metin sınıflandırma
Varlık tanıma (NER) ile firma ve kişi eşleştirme
Duygu skorlarının kredi ve piyasa riskine etkisi
Hugging Face Transformers ile metin analizi hattı
Laboratuvar: Haber akışından risk olayı etiketleme

Modül 4

Risk Süreçlerinde Üretken Yapay Zeka

Kredi tahsis raporu ve risk komitesi özeti taslağı
Bilgi erişimi destekli üretim (RAG) ile mevzuat asistanı
Halüsinasyon, gizlilik ve veri sızıntısı kontrolleri
İnsan onayı (human-in-the-loop) ile kontrollü kullanım
Demo: Politika dokümanlarından RAG tabanlı soru-cevap
Günün değerlendirmesi ve model riski gününe hazırlık

Günün hedefiML tabanlı risk modelleri için model riski yönetimi çerçevesini kurmak, üretim ve izleme süreçlerini tasarlamak ve uçtan uca risk projesini sunarak programı tamamlamak.

Modül 1

Model Riski Yönetimi Çerçevesi

Model envanteri, katmanlama ve risk derecelendirmesi
SR 11-7 ilkeleri ve bağımsız model doğrulama
ML modellerine özgü doğrulama testleri ve sınırları
Rakip (challenger) model ile karşılaştırmalı doğrulama
Model dokümantasyonu ve yönetim kuruluna raporlama
Vaka: ML tabanlı PD modelinin doğrulama bulguları

Modül 2

Düzenleyici Çerçeve ve Uyum

BDDK düzenlemeleri ve içsel model beklentileri
KVKK kapsamında otomatik karar ve açık rıza konuları
AB Yapay Zeka Yasası: yüksek riskli sistem yükümlülükleri
ISO/IEC 42001 ve NIST AI RMF ile YZ yönetişimi
Sigortada yapay zeka kullanımı ve Solvency II bağlantısı
Atölye: Risk modeli için uyum kontrol listesi

Modül 3

Risk Modellerinde MLOps ve İzleme

MLflow ile deney takibi, model kaydı ve sürümleme
Veri ve skor kayması izleme: PSI ve CSI göstergeleri
Performans bozulması için eşik ve tetikleyiciler
Yeniden kalibrasyon ile yeniden geliştirme kararı
Değişiklik yönetimi, erişim kontrolü ve denetim izi
Laboratuvar: Kredi modeli izleme panosu tasarımı

Modül 4

Uçtan Uca Risk Projesi ve Kapanış

Grup projesi: veri, model, doğrulama ve raporlama
Proje sunumları ve risk komitesi formatında geri bildirim
Kurumsal risk analitiği olgunluk yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
Risk analitiği için ileri okuma listesi ve kapanış

Eğitim Kazanımları

PD ve LGD Modelleri — Skor kartı ve gradyan artırma yöntemleriyle PD, LGD ve EAD modellerini geliştirip karşılaştırabileceksiniz.
IFRS 9 Hesaplaması — Makroekonomik senaryolarla ömür boyu PD eğrileri kurarak beklenen kredi zararını hesaplayabileceksiniz.
Piyasa Riski — GARCH ve ML ile volatilite tahmin edip VaR ve beklenen kayıp modellerini geriye dönük test edebileceksiniz.
Likidite ve Stres — Mevduat çıkışı tahmini ve stres senaryolarıyla likidite ve portföy kırılganlıklarını ölçebileceksiniz.
Erken Uyarı — Finansal, işlem ve metin verisinden sinyal üreten kurumsal kredi erken uyarı sistemleri tasarlayabileceksiniz.
Açıklanabilirlik — SHAP ve red gerekçeleriyle risk modeli kararlarını denetçilere ve müşterilere anlaşılır kılabileceksiniz.
Model Riski — ML modelleri için envanter, bağımsız doğrulama ve dokümantasyon içeren bir yönetişim çerçevesi kurabileceksiniz.
İzleme ve Uyum — BDDK, KVKK ve AB Yapay Zeka Yasası beklentilerini gözeten, kaymayı izleyen risk sistemleri işleteceksiniz.

Kimler İçin Uygundur?

Risk yönetimi ve model geliştirme uzmanları
model doğrulama ekipleri
kantitatif analistler
iç denetim ve iç kontrol yöneticileri ile finans kuruluşlarının veri bilimi ekipleri.

Sıkça Sorulan Sorular

İleri Düzey Finans Risk Yönetiminde Yapay Zeka Eğitimi kimler için uygundur?

Program; banka, sigorta ve yatırım kuruluşlarında çalışan risk yönetimi ve model geliştirme uzmanları, model doğrulama ekipleri, kantitatif analistler, iç denetim ve iç kontrol yöneticileri ile veri bilimi ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 5 tam gün ve 20 modülden oluşur. Risk verisi ve ML temelleri, kredi riski ve IFRS 9, piyasa ve likidite riski, operasyonel risk ile erken uyarı ve son gün model riski yönetimi ile uçtan uca proje işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ve pandas ile veri işleme deneyimi, regresyon ve zaman serisi dahil temel istatistik bilgisi ile PD, LGD, VaR gibi risk ölçüm kavramlarına aşinalık beklenir. Laboratuvarlar için Python ve Jupyter kurulu bir ortam gerekir.

Eğitimde hangi yöntem ve araçlar kullanılıyor?

scikit-learn, XGBoost, LightGBM, SHAP, arch kütüphanesi ile GARCH modelleri, NetworkX, Hugging Face Transformers ve MLflow kullanılır. Skor kartı, Monte Carlo VaR, geriye dönük testler ve RAG tabanlı mevzuat asistanı demoları yapılır.

Eğitim kurumun risk modellerine göre uyarlanabilir mi, sertifika veriliyor mu?

Evet. Ön görüşmede kurumun portföy yapısı ve öncelikli risk türleri belirlenir; kapalı gruplarda anonimleştirilmiş kurum verisi kullanılabilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

İLERİ DÜZEY FİNANS RISK YÖNETİMİNDE YAPAY ZEKA EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Finansal Risk Yönetiminde Yapay Zeka

Risk Verisi ve Veri Kalitesi

Risk Modellemesi İçin ML Temelleri

Doğrulama Tasarımı ve Performans Metrikleri

Temerrüt Olasılığı (PD) Modelleri

LGD ve EAD Modellemesi

IFRS 9 ve Beklenen Kredi Zararı

Açıklanabilirlik ve Adil Kredi Kararı

Volatilite ve Getiri Dağılımı Tahmini

VaR, Beklenen Kayıp ve Geriye Dönük Test

Likidite ve Faiz Oranı Riski

Senaryo Üretimi ve Stres Testi

Operasyonel Risk Analitiği

Kurumsal Kredi Erken Uyarı Sistemleri

Doğal Dil İşleme ile Risk Sinyali

Risk Süreçlerinde Üretken Yapay Zeka

Model Riski Yönetimi Çerçevesi

Düzenleyici Çerçeve ve Uyum

Risk Modellerinde MLOps ve İzleme

Uçtan Uca Risk Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi